arXiv · ML· Xinyuan Li, Matthew Zahr, Panos Stinis, Zecheng Zhang·· 6 小时前AI 评分20
In-Context Learning for Multi-Fidelity Multiscale Model Closure and Cross-Operator Out-Of-Distribution Generalization
In-Context Learning for Multi-Fidelity Multiscale Model Closure and Cross-Operator Out-Of-Distribution Generalization
AI 导读
论文提出一种共享模型框架，通过上下文学习处理多保真度算子，实现跨算子分布外泛化。 该模型仅需少于5个低-高保真演示对及低成本粗尺度查询，即可在无微调情况下预测精细尺度解；当目标算子已在训练集但预测目标变化时，甚至无需额外演示。模型最小配置仅含255,364个可训练参数，平均每个算子约456个参数，覆盖560个算子，显著降低多PDE求解的重新训练成本。
来源：arXiv · ML · arxiv.org